Online Health Check for Reducing Alcohol Intake among Employees: A Feasibility Study in Six Workplaces across England
Notice bibliographique
Résumé
BACKGROUND: Most hazardous and harmful drinkers are of working age and do not seek help with their drinking. Occupational health services are uniquely placed to universally screen employees across the range of socioeconomic and ethnic groups. The aim was to explore the feasibility and acceptability of offering electronic screening and brief intervention for alcohol misuse in the context of a health check in six different workplace settings. METHODS AND FINDINGS: Employees were recruited from six workplaces across England, including three local authorities, one university, one hospital and one petro-chemical company. A total of 1,254 (8%) employees completed the health check and received personalised feedback on their alcohol intake, alongside feedback on smoking, fruit and vegetable consumption and physical activity. Most participants were female (65%) and of 'White British' ethnicity (94%), with a mean age of 43 years (SD 11). Participants were mostly in Intermediate occupations (58%), followed by Higher managerial / professional (39%) and Routine and manual occupations (2%). A quarter of participants (25%) were drinking at hazardous levels (33% male, 21% female), which decreased with age. Sixty-four percent (n=797) of participants completed online follow-up at three months. Most participants were supportive of workplaces offering employees an online health check (95%), their preferred format was online (91%) and many were confident of the confidentiality of their responses (60%). Whilst the feedback reminded most participants of things they already knew (75%), some were reportedly motivated to change their behaviour (13%). CONCLUSIONS: Online health screening and personalised feedback appears feasible and acceptable, but challenges include low participation rates, potentially attracting 'worried well' employees rather than those at greatest health risk, and less acceptance of the approach among older employees and those from ethnic minority backgrounds and routine or manual occupations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».